【摘要】：隨著各種各樣的智能終端、傳感設備的普及,大量的流式數據由此產生,這些流式數據中蘊藏著極大的價值。但流式數據多樣化、時序性、海量、持續(xù)不斷等特點導致了從其中挖掘出有用信息的難度倍增。聚類分析是數據挖掘中的一種方法,它是一種無監(jiān)督的學習方式,它無需對數據的先驗認知就可以根據數據間的相似度將數據進行分組。利用聚類分析可以幫助人們對這些流式數據進行分析,發(fā)現其中潛在的價值。本文主要對基于快速搜索與密度峰值CFSFDP(Clustering by Fast Search and Find of Density Peaks)聚類算法的不足提出兩點改進。第一,針對CFSFDP算法在選擇聚類中心的時需要根據數據點的局部密度與距離繪制的決策圖人工輔助選擇的問題,引入了簇中心權值的概念,并利用異常檢測的思想自動選擇聚類中心。將數據集的聚類中心視為該數據集中的異常點,通過對各數據點的簇中心權值進行異常檢測自動計算出數據集的聚類中心,并且通過實驗證明了本文提出的聚類中心自動選擇的方法與使用決策圖人工輔助選擇聚類中心的方法選擇出的聚類中心一致。第二,針對CFSFDP算法為減少噪聲對聚類結果分析的影響從而對簇進行簇核心與簇光暈的劃分,將噪聲點劃入簇光暈中,但劃分結果不夠準確的問題,提出了簇內局部密度的概念,并重新設計了簇核心與簇光暈的劃分標準,使得對簇進行簇核心和簇光暈劃分時,處于簇邊緣部分的數據點被劃分入簇光暈中的概率降低,從而提高了對聚類結果分析的準確性。最后為了使優(yōu)化后的CFSFDP算法可以應用于流式數據的場景,本文針對Spark Streaming平臺并行化實現了優(yōu)化后的CFSFDP算法,并通過實驗對優(yōu)化后的CFSFDP算法在Spark Streaming平臺上運行的性能進行了測試和分析,得出了優(yōu)化后的CFSFDP算法在Spark Streaming平臺上運行時的聚類準確率較好,運行時間可以滿足實時性的要求,當一個窗口間隔內接收到的數據越多時其加速比和擴展比都越大即集群內計算節(jié)點增加帶來的效益越大的結論。
【圖文】：

合集就是原數據對象集合［４２］。逡逑雖然根據實際應用環(huán)境的不同，進行聚類分析時的選取的算法和執(zhí)行的步驟會略有逡逑不同，但聚類的流程卻是大致相似的。進行聚類分析的大致流程如圖２．１所示，它主要逡逑包含以下幾個步驟［４３］：逡逑（１）

數據點之間的距離４S斡肫淥蕕閿脛嗬氳淖畬籩�。辶x希茫疲櫻疲模興惴ǜ菔蕕憔嗬耄び朧蕕愕木植棵芏戎換嬤憑霾咄跡ü褂鎂霾咤義賢既斯じㄖ∪∈菁木劾嘀行模嬤頻木霾咄既繽跡玻菜盡＃茫疲櫻疲模興惴ńぶ靛義洗笄遙穡到洗蟮牡閎隙ㄎ氐木劾嘀行�，紖舱a霾咄賈寫τ謨疑轄喬蠐肫淥惴擲朊麇義舷緣牡�。灾R范ㄊ菁木劾嘀行鬧笮枰齙謀憬Ｓ嗟姆薔劾嘀行牡氖蕕惆湊站皺義喜棵芏齲鏈喲蟮叫∫淮位值驕植棵芏缺繞涓咔矣脛嗬胱罱氖蕕闥詰拇刂小Ｔ阱義賢瓿閃朔薔劾嘀行氖蕕愕幕趾蟊愕玫攪順醪降木劾嘟峁�。辶x希玻板危卞危卞危卞五澹保靛危卞危卞危у危卞義希保靛澹鰣義希保板濉齦謀儷桑海鈴義�，r>嚴：■梊，逡逑：Ａ邋５邐？邋＿逡逑－１５邐Ｕ邐＿邋＿逡逑－２０邐－１０邐０邐１０邐２０邐0邋５邐１０邐１５邐２０邐２５逡逑Ｘ邐ｆ）逡逑ａ）原始數據集邐ｂ）決策圖逡逑圖２．２邋ＣＦＳＦＤＰ算法決策圖逡逑ＣＦＳＦＤＰ算法不同于ＤＢＳＣＡＮ等聚類算法，其對于較低密度的數據點沒有將它們逡逑判定為數據集的噪聲，而是為初步聚類得到的每一個簇引入了一個光暈的概念，，簇的光逡逑暈中就包含了其他算法中所定義的噪聲以及數據集中的離散點。ＣＦＳＦＤＰ算法將一個簇逡逑ＩＩ逡逑
【學位授予單位】：南京理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP311.13

【參考文獻】

相關期刊論文 前5條

1 金建國;;聚類方法綜述[J];計算機科學;2014年S2期

2 孫大為;張廣艷;鄭緯民;;大數據流式計算:關鍵技術及系統(tǒng)實例[J];軟件學報;2014年04期

3 嚴霄鳳;張德馨;;大數據研究[J];計算機技術與發(fā)展;2013年04期

4 賀玲;吳玲達;蔡益朝;;數據挖掘中的聚類算法綜述[J];計算機應用研究;2007年01期

5 淦文燕,李德毅;基于核密度估計的層次聚類算法[J];系統(tǒng)仿真學報;2004年02期

本文編號：2677616